CN101866428A - 一种发动机燃料种类和牌号的快速识别方法 - Google Patents
一种发动机燃料种类和牌号的快速识别方法 Download PDFInfo
- Publication number
- CN101866428A CN101866428A CN 201010224094 CN201010224094A CN101866428A CN 101866428 A CN101866428 A CN 101866428A CN 201010224094 CN201010224094 CN 201010224094 CN 201010224094 A CN201010224094 A CN 201010224094A CN 101866428 A CN101866428 A CN 101866428A
- Authority
- CN
- China
- Prior art keywords
- model
- cognition
- diesel oil
- sample
- gasoline
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种发动机燃料种类和牌号的快速识别方法,该方法包括如下步骤:第一步:收集具有代表性的样品作为训练集;第二步:测定训练集样品的中红外光谱;第三步:确定识别方案:采用多个模型逐级识别方式识别燃料的种类和牌号;第四步:对第二步的中红外光谱数据进行预处理,其预处理后的光谱数据作为候选识别变量;第五步:根据第三步确定的识别方案,利用训练集样品,评价各候选识别变量的识别能力,然后选用BAYES判别方法,建立识别模型;第六步:对于未知发动机燃料样品的识别,首先测定其红外光谱,并进行与第四步中相同的预处理,然后结合第四步中建立的识别模型逐级进行种类和牌号识别。本发明方法可快速识别发动机燃料样品的种类和牌号。
Description
技术领域
本发明涉及一种发动机燃料种类和牌号的快速识别方法,具体地说,涉及一种快速将未知发动机燃料识别为柴油、汽油和喷气燃料,并确定其牌号的方法。
背景技术
发动机用途不同,导致具发动机燃料种类繁多。比如,柴油发动机使用柴油动力燃料、汽油发动机使用汽油动力燃料,飞机发动机使用喷气燃料。各类发动机燃料根据使用条件进一步区分为不同牌号的燃料。柴油根据用户分为军用柴油和轻柴油两大类。根据使用温度(凝点)不同,各类柴油又进一步分为10号柴油、0号柴油、-10号柴油和-35号柴油等各种牌号的柴油。汽油分为含乙醇汽油和车用汽油。汽油根据抗爆性能(研究法辛烷值)分为90号汽油、93号汽油和97号汽油。各种类和各种牌号的燃料不能混用,否则发动机不能正常运行,导致故障发生。但是,在实际使用过程中,由于种种原因,常常会存在发动机燃料种类和牌号混用现象,特别是低标号的汽油冒充高标号汽油,因此需要研制发动机燃料种类和牌号的快速识别方法,正确指导正确用油,避免因误用油料带来的损失。
发明内容
本发明目的是提供一种发动机燃料种类和牌号的快速识别方法,该方法通过被测样品红外光谱,结合模式识别技术,根据识别方案,可快速识别发动机燃料种类和牌号。
本发明提供的技术方案是:一种发动机燃料种类和牌号的快速识别方法,包括如下步骤:
第一步:收集具有代表性的样品作为训练集;
第二步:测定训练集样品的中红外光谱;
第三步:确定识别方案:采用多个模型逐级识别方式进行发动机燃料种类和牌号识别;
第四步:对第二步的中红外光谱数据进行预处理,其预处理后的光谱数据作为候选识别变量;
第五步:根据第三步确定的识别方案,利用训练集样品,评价各候选识别变量的识别能力,然后选用BAYES判别方法,建立识别模型;
第六步:对于未知发动机燃料样品的识别,首先测定其中红外光谱,并进行与第四步中相同的预处理,然后结合第四步中建立的识别模型逐级进行种类和牌号识别。
所述发动机燃料包括汽油、柴油和喷气燃料。
上述第五步中建立模型的过程如下:
一、采用F值来评价各候选识别变量的识别能力,F越大,说明分类能力越强,反之越差,F的计算公式如下:
其中,g为类别数目,m为样本总数目;ww为所选用特征的类内偏差矩阵,wb为所选用特征的类间偏差矩阵。
二、采用BAYES判别方法建立识别模型:
(1)选用识别能力强的前m个变量作为识别特征;
(3)建立模型,即构建各类的h判别函数:
(4)将训练集样品作为待识别样品Xun,计算Xun对训练集i类的hi(Xun)值,然后比较hi(Xun)大小,X属于h1(X),..,hg(X)中最大的类,并与实际种类比较,计算正确识别率pr(%);
(5)绘制pr与m的关系,选定pr最高,且m最小的识别变量作为识别特征,建立识别模型。
所述发动机燃料包括汽油、柴油和喷气燃料。
上述第(5)步中,所述识别模型为:发动机燃料种类识别模型、柴油种类识别模型、汽油种类识别模型、柴油牌号识别模型和汽油牌号识别模型。
所述识别方案所建立的模型分述如下:
发动机燃料种类识别模型:光谱预处理为一阶微分处理,该模型将未知发动机燃料识别为汽油、柴油和喷气燃料三大类。
柴油种类识别模型:光谱预处理为一阶微分,该模型将未知柴油识别为军用柴油和轻柴油两类。
柴油牌号识别模型:预处理为一阶微分,该模型将柴油识别为0号、-10号、-35号柴油。
汽油种类识别模型:无光谱预处理,该模型将汽油识别为乙醇汽油和车用汽油。
汽油牌号识别模型:预处理为一阶微分,该模型将汽油识别为90号、93号、97号汽油。
本发明利用红外光谱,结合模式识别技术(BAYES判别方法),迅速判断发动机燃料的种类和牌号,能够成功地将未知发动机燃料识别为汽油、柴油和喷气燃料,并可以进一步识别为不同牌号,指导发动机燃料的正确使用。
附图说明
图1为发动机燃料种类和牌号识别方案;
图2所有发动机燃料样品中红外吸收光谱图;
图3所有发动机燃料样品中红外一阶微分吸收光谱图;
图4不同波长一阶微分光谱对发动机燃料种类识别能力F图;
图5发动机燃料种类错误识别数目和正确识别率与识别特征数目关系图;
图6不同波长一阶微分光谱对柴油种类识别能力F图;
图7柴油种类错误识别数目和正确识别率与识别特征数目关系图;
图8不同波长一阶微分光谱对柴油牌号识别能力F图;
图9柴油牌号错误识别数目和正确识别率与识别特征数目关系图;
图10不同波长原始光谱对汽油种类识别能力F图;
图11不同波长一阶微分光谱对汽油牌号识别能力F图;
图12汽油牌号错误识别数目和正确识别率与识别特征数目关系图;
具体实施方式
本发明方法的识别方案的确定步骤如下:
第一步:收集具有代表性的样品作为训练集。
第二步:测定训练集样品中红外光谱。
第三步:按照图1的方案,采用BAYES判别方法建立各个识别模型。各个模型的建立过程如下:
一、对训练集的红外光谱进行相应的预处理,预处理后数据作为候选识别变量;
二、采用F值来评价各候选识别变量的识别能力。F越大,说明分类能力越强,反之越差,F的计算公式如下:
其中,g为类别数目,m为样本总数目;ww为所选用特征的类内偏差矩阵,wb为所选用特征的类间偏差矩阵。
三、采用BAYES判别方法建立识别模型,具体过程如下:
(1)选用识别能力强的前m个变量作为识别特征;
(2)计算训练集中i类样品集的特征平均矩阵协方差矩阵Si和先验概率P(wi)(P(wi)为i类样品数目与所有样品数目比值);
(3)建立模型,即构建各类的h判别函数:
(4)将训练集样品作为待识别样品Xun,计算Xun对训练集i类的hi(Xun)值,然后比较hi(Xun)大小,X属于h1(X),...,hg(X)中最大的类,并与实际种类比较,计算正确识别率pr(%);(5)绘制pr与m的关系,选定pr最高,且m最小的识别变量作为识别特征,建立识别模型。
图1的方案所建立的模型分述如下:
发动机燃料种类识别模型:光谱预处理为一阶微分,识别方法为BAYES判别方法。该模型将未知发动机燃料识别为柴油、汽油和喷气燃料等三大类。
柴油种类识别模型:光谱预处理为一阶微分,识别方法为BAYES判别方法。该模型将未知柴油识别为军用柴油和轻柴油两类。
柴油牌号识别模型:预处理均为一阶微分,识别方法为BAYES判别方法。该模型将未知柴油识别为0号、-10号和-35号柴油三类。
汽油种类训别模型:无光谱预处理,识别方法为BAYES判别方法。该模型将未知汽油识别为乙醇汽油和车用汽油两类。
汽油牌号识别模型:预处理均为一阶微分,识别方法为BAYES判别方法。该模型将未知汽油识别为90号、93号和97号柴油三类。
实例1:建立发动机燃料种类识别模型
1)收集训练集样品
收集有明确种类和牌号标识发动机燃料共863个。其中,3号喷气燃料102个,各种牌号的柴油261个,各种牌号的汽油500个,均采自我国各个炼油厂。
2)测定训练集样品红外光谱
采用TENSOR 27中红外光谱仪测定发动机燃料样品,光谱范围:600~4000cm-1。透射样品池,0.1mm光程,谱图见图2。
3)对红外光谱数据进行预处理
红外光谱数据经过一阶微分处理,谱图见图3。
4)评价各个候选变量识别能力。
采用F判据来评价各变量对三类发动机燃料(汽油、柴油和喷气燃料)的识别能力。
其中,g为类别数目,m为样本总数目,在本实施例中,g=3,m=863;ww为所选用特征的类内偏差矩阵,wb为所选用特征的类间偏差矩阵。
F的计算结果见图4,各个变量识别能力不同。
5)确定识别特征数目和建立识别模型
依据一阶微分光谱识别能力评价结果(图4),依次选用训练集的前m个识别能力最强的特征,采用Bayes判别方法建立模型,然后识别训练集样品进行检验,绘制正确识别率与识别特征数目关系,结果见图5。当m=10时,识别率为100%。选用前10个识别能力最强的波长的一阶微分光谱吸光度作为特征变量,然后利用Bayes方法建立识别模型。该10个波长依次为2839.1、2841.1、2860.3、709.8、2652.0、2650.1、976.0、2648.2、2654.0和2864.2cm-1。为考察识别效果,将训练集的863个样品作为未知样品,并将上述识别能力最强的10个波长的一阶微分吸光度引入模型中,计算与各类的h值,最大h值对应的类为样品的识别种类。在所有863个样品中,识别结果种类与真实种类一致,即可以采用该模型同时识别柴油、汽油和喷气燃料。
实例2:建立柴油种类识别模型
1)收集训练集样品
收集有明确种类标识的柴油样品共261个。其中军用柴油样品59个和轻柴油样品202个。
2)测定训练集样品的红外光谱
与实例1同。
3)对红外光谱数据进行预处理
对红外光谱数据进行一阶微分,一阶微分处理后光谱数据作为识别候选变量。
4)评价各个候选变量识别能力
与实例1同,采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中,g=2,m=261;F的计算结果见图6,各个变量识别能力不同。
5)确定识别特征数目和建立识别模型
依据一阶微分光谱识别能力评价结果(图6),依次选用训练集的前m个识别能力最强的特征,采用BAYES判别方法建立模型,然后识别训练集样品进行检验,绘制正确识别率与识别特征数目关系,结果见图7。当m=15时,识别率为99.6%,远远超过95%,可以使用。其中1个轻柴油错误识别为军用柴油。选用前15个识别能力最强的波长的一阶微分光谱吸光度作为特征,然后利用BAYES方法建立识别模型。15个波长具体为3489.1、2601.9、2600.0、2598.0、2509.3、2507.4、2505.5、2439.9、2437.9、2436.0、2274.0、2272.1、1274.9、1273.0、1082.0cm-1。为考察识别效果,将训练集的261个样品作为未知样品,并将上述识别能力最强的10个波长的一阶微分吸光度引入模型中,计算与各类的h值,最大h值对应的类为样品的识别种类。在所有261个样品中,只有1个样品被错误识别,识别率为99.6%,说明可以采用该模型将柴油识别为轻柴油和军用柴油。
实例3:建立柴油牌号的识别模型
1)收集训练集样品
收集各种牌号的军用柴油和轻柴油共261个。其中0号轻柴油样品78个,-10号柴油样品134个(含44个-10号军用柴油和90个-10号轻柴油),-35号柴油样品34个(含15个-35号军用柴油和34个-35号轻柴油)。
2)测定训练集样品的红外光谱
与实例1同。
3)对红外光谱数据进行预处理
对红外光谱数据进行一阶微分,一阶微分处理后光谱数据作为识别候选变量。
4)评价各个候选变量识别能力
与实例1同,采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中,g=3,m=261;F的计算结果见图8,各个变量识别能力不同。
5)确定识别特征数目和建立识别模型
依据一阶微分光谱识别能力评价结果(图8),依次选用训练集的前m个识别能力最强的特征,采用BAYES判别方法建立模型,然后识别训练集样品进行检验,绘制正确识别率与识别特征数目关系,结果见图9。当m=33时,识别率为100%。选用前33个识别能力最强的波长的一阶微分光谱吸光度作为特征,然后利用BAYES方法建立识别模型。33个波长依次为709.8、707.9、2686.8、2684.8、1791.8、1336.6、2682.9、2688.7、3199.8、3197.9、2243.1、1793.7、1334.7、2681.0、2241.2、1789.9、1338.6、3201.7、2171.8、3683.9、3195.9、2999.2、864.1、1448.5、2173.7、1795.7、2353.1、2978.0、2355.0、3682.0、1307.7、711.7、1450.4cm-1。为考察识别效果,将训练集的261个样品作为未知样品,并将上述识别能力最强的33个波长的一阶微分吸光度引入模型中,计算与各类的h值,最大h值对应的类为样品的识别种类,见表1。在所有261个样品中,所有样品的识别结果种类与真实种类一致,即可以采用该模型将柴油识别为0号、-10号和-35号柴油。
表1各牌号柴油的h值、hmax以及识别结果
实例4:建立汽油种类的识别模型
1)收集训练集样品
收集各种牌号的车用汽油和乙醇汽油共500个。其中车用汽油样品431个,乙醇汽油样品69个。
2)测定训练集样品的红外光谱
与实例1同。
3)对红外光谱数据进行预处理
无预处理,直接选用原始光谱吸光度数据作为识别候选变量。
4)评价各个候选变量识别能力
与实例1同,采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中,g=2,m=500;F的计算结果见图10,各个变量识别能力不同。
5)确定识别特征数目和建立识别模型
依据各个变量识别能力评价结果(图10)可知,乙醇汽油和车用汽油光谱特征区分非常明显,尤其在3344.5、3346.4和1049.2cm-1的吸光度尤为显著,可以选用其中任何一个波长进行识别。选用3344.5cm-1时,如果样品的吸光度超过0.2,则该样品为乙醇汽油;否则为车用汽油。选用1049.2cm-1时,如果吸光度超过1.4,则为乙醇汽油,否则为车用汽油。利用该规则,可以将500个汽油样品成功识别为乙醇汽油和车用汽油。
实例5:建立汽油种类的识别模型
1)收集训练集样品
收集各种牌号的车用汽油和乙醇汽油共500个,其中90号汽油样品85个(含77个90号车用汽油和8个90号乙醇汽油),93号汽油样品305个(含260个93号车用汽油和45个93号乙醇汽油),97号汽油样品110个(含94个97号车用汽油和16个97号乙醇汽油)。
2)测定训练集样品的红外光谱
与实例1同。
3)对红外光谱数据进行预处理
采用一阶微分进行预处理,直接选用其一阶微分处理后的数据作为识别候选变量。
4)评价各个候选变量识别能力
与实例1同,采用F判据来评价各变量对军用柴油和轻柴油的识别能力。在本实施例中,g=3,m=500;F的计算结果见图11,各个变量识别能力不同。
5)确定识别特征数目和建立识别模型
依据各个变量识别能力评价结果(图11)可知,依次选用训练集的前m个识别能力最强的特征,采用BAYES判别方法建立模型,然后识别训练集样品进行检验,绘制正确识别率与识别特征数目关系,结果见图12。当m=37时,识别率为99.2%,超过95%,可以使用。选用前37个识别能力最强的波长的一阶微分光谱吸光度作为特征变量,然后利用BAYES方法建立识别模型。37个波长依次为2846.8、1298.1、2844.9、2173.7、1101.3、1296.1、1294.2、2868.1、1103.2、1292.3、2175.6、1105.2、1300.0、1107.1、2839.1、1290.3、2177.6、1085.9、1109.0、1084.0、1930.7、2179.5、1087.8、1288.4、2843.0、1089.7、2181.4、2866.1、1111.0、1082.0、1932.6、1263.3、1286.5、2183.3、2837.2、1379.1、1377.1cm-1。为考察识别效果,将训练集的500个样品作为未知样品,并将上述识别能力最强的33个波长的一阶微分吸光度引入模型中,计算与各类的h值,最大h值对应的类为样品的识别种类。在所有500个样品中,只有4个样品被错误识别,识别率高达99.2%。其中1个93号汽油被错误识别为97号样品,3个90号汽油被错误识别为93号汽油。可见,可以采用该模型将汽油识别为90号、93号和97号汽油。
Claims (10)
1.一种发动机燃料种类和牌号的快速识别方法,包括如下步骤:
第一步:收集具有代表性的样品作为训练集;
第二步:测定训练集样品的中红外光谱;
第三步:确定识别方案:采用多个模型逐级识别方式进行发动机燃料种类和牌号识别;
第四步:对第二步的中红外光谱数据进行预处理,其预处理后的光谱数据作为候选识别变量;
第五步:根据第三步确定的识别方案,利用训练集样品,评价各候选识别变量的识别能力,然后选用BAYES判别方法,建立识别模型;
第六步:对于未知发动机燃料样品的识别,首先测定其中红外光谱,并进行与第四步中相同的预处理,然后结合第四步中建立的识别模型逐级进行种类和牌号识别。
2.根据权利要求1所述的方法,其特征在于:所述发动机燃料包括汽油、柴油和喷气燃料。
3.根据权利要求2所述的方法,其特征在于:第四步中的预处理包括一阶微分处理
4.根据权利要求3所述的方法,其特征在于:第五步中建立模型的过程如下:
一、采用F值来评价各候选识别变量的识别能力,F越大,说明分类能力越强,反之越差,F的计算公式如下:
其中,g为类别数目,m为样本总数目;ww为所选用特征的类内偏差矩阵,wb为所选用特征的类间偏差矩阵。
二、采用BAYES判别方法建立识别模型:
(1)选用识别能力强的前m个变量作为识别特征;
(2)计算训练集中i类样品集的特征平均矩阵协方差矩阵Si和先验概率P(wi),其中,P(wi)为i类样品数目与所有样品数目比值;
(3)建立模型,即构建各类的h判别函数:
(4)将训练集样品作为待识别样品Xun,计算Xun对训练集i类的hi(Xun)值,然后比较hi(Xun)大小,X属于h1(X),...,hg(X)中最大的类,并与实际种类比较,计算正确识别率pr(%);
(5)绘制pr与m的关系,选定pr最高,且m最小的识别变量作为识别特征,建立识别模型。
5.根据权利要求4所述的方法,其特征在于:第(5)步中,所述识别模型为:发动机燃料种类识别模型、柴油种类识别模型、柴油牌号识别模型、汽油种类识别模型、汽油牌号识别模型。
6.根据权利要求5所述的方法,其特征在于:发动机燃料种类识别模型的预处理为一阶微分,将未知发动机燃料识别为柴油、汽油和喷气燃料三大类。
7.根据权利要求5所述的方法,其特征在于:柴油种类识别模型的预处理为一阶微分,将未知柴油识别为军用柴油和轻柴油两类。
8.根据权利要求5所述的方法,其特征在于:柴油牌号识别模型的预处理为一阶微分,将柴油识别为0号、-10号和-35号柴油。
9.根据权利要求5所述的方法,其特征在于:汽油种类识别模型无光谱预处理,将汽油识别为乙醇汽油和非乙醇汽油。
10.根据权利要求5所述的方法,其特征在于:汽油牌号识别模型的预处理为一阶微分,将汽油识别为90号、93号和97号汽油。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010224094 CN101866428B (zh) | 2010-07-13 | 2010-07-13 | 一种发动机燃料种类和牌号快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010224094 CN101866428B (zh) | 2010-07-13 | 2010-07-13 | 一种发动机燃料种类和牌号快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101866428A true CN101866428A (zh) | 2010-10-20 |
CN101866428B CN101866428B (zh) | 2012-02-29 |
Family
ID=42958149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010224094 Expired - Fee Related CN101866428B (zh) | 2010-07-13 | 2010-07-13 | 一种发动机燃料种类和牌号快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101866428B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221534A (zh) * | 2011-05-27 | 2011-10-19 | 中国人民解放军总后勤部油料研究所 | 一种快速识别发动机燃料种类的中红外光谱方法 |
CN102288573A (zh) * | 2011-05-27 | 2011-12-21 | 中国人民解放军总后勤部油料研究所 | 一种利用中红外光谱技术快速识别发动机燃料种类和牌号方法 |
CN105181634A (zh) * | 2015-08-25 | 2015-12-23 | 江南大学 | 一种基于近红外技术石油分馏塔产品分析方法 |
CN107037000A (zh) * | 2016-11-23 | 2017-08-11 | 华东交通大学 | 一种环保醇类柴油的检测方法 |
CN110174368A (zh) * | 2019-05-30 | 2019-08-27 | 中国人民公安大学 | 一种使用红外指纹光谱建模的船舶甲板油漆快速无损鉴别的方法 |
CN112613536A (zh) * | 2020-12-08 | 2021-04-06 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
CN112613536B (zh) * | 2020-12-08 | 2024-07-05 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475220A (en) * | 1991-09-17 | 1995-12-12 | Schlumberger Technology Corporation | Method to determine the phase composition of cement |
WO2002012969A1 (fr) * | 2000-08-07 | 2002-02-14 | Mitsui Chemicals, Inc. | Procede de controle de production |
CN1664564A (zh) * | 2005-03-21 | 2005-09-07 | 江苏省人民医院 | 快速原位鉴别周围神经束性质的方法 |
CN101271063A (zh) * | 2008-05-07 | 2008-09-24 | 陕西恒智科技发展有限公司 | 气体红外光谱分析支持向量机校正模型方法的流程 |
CN101303294A (zh) * | 2008-06-20 | 2008-11-12 | 河南中医学院 | 近红外在线检测技术在中药一清颗粒生产中的应用方法 |
-
2010
- 2010-07-13 CN CN 201010224094 patent/CN101866428B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475220A (en) * | 1991-09-17 | 1995-12-12 | Schlumberger Technology Corporation | Method to determine the phase composition of cement |
WO2002012969A1 (fr) * | 2000-08-07 | 2002-02-14 | Mitsui Chemicals, Inc. | Procede de controle de production |
CN1664564A (zh) * | 2005-03-21 | 2005-09-07 | 江苏省人民医院 | 快速原位鉴别周围神经束性质的方法 |
CN101271063A (zh) * | 2008-05-07 | 2008-09-24 | 陕西恒智科技发展有限公司 | 气体红外光谱分析支持向量机校正模型方法的流程 |
CN101303294A (zh) * | 2008-06-20 | 2008-11-12 | 河南中医学院 | 近红外在线检测技术在中药一清颗粒生产中的应用方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221534A (zh) * | 2011-05-27 | 2011-10-19 | 中国人民解放军总后勤部油料研究所 | 一种快速识别发动机燃料种类的中红外光谱方法 |
CN102288573A (zh) * | 2011-05-27 | 2011-12-21 | 中国人民解放军总后勤部油料研究所 | 一种利用中红外光谱技术快速识别发动机燃料种类和牌号方法 |
CN102221534B (zh) * | 2011-05-27 | 2014-06-18 | 中国人民解放军总后勤部油料研究所 | 一种快速识别发动机燃料种类的中红外光谱方法 |
CN105181634A (zh) * | 2015-08-25 | 2015-12-23 | 江南大学 | 一种基于近红外技术石油分馏塔产品分析方法 |
CN107037000A (zh) * | 2016-11-23 | 2017-08-11 | 华东交通大学 | 一种环保醇类柴油的检测方法 |
CN110174368A (zh) * | 2019-05-30 | 2019-08-27 | 中国人民公安大学 | 一种使用红外指纹光谱建模的船舶甲板油漆快速无损鉴别的方法 |
CN112613536A (zh) * | 2020-12-08 | 2021-04-06 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
CN112613536B (zh) * | 2020-12-08 | 2024-07-05 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101866428B (zh) | 2012-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101866428B (zh) | 一种发动机燃料种类和牌号快速识别方法 | |
CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
CN101782511B (zh) | 一种润滑油种类和级别的快速识别方法 | |
CN102288573A (zh) | 一种利用中红外光谱技术快速识别发动机燃料种类和牌号方法 | |
CN101893561B (zh) | 一种润滑油新油质量近红外光谱快速测定方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN104807787A (zh) | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 | |
CN104990894A (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
CN101806729A (zh) | 一种润滑油在用油质量快速检测方法 | |
CN105466884A (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
CN110836885A (zh) | 一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法 | |
CN102338743B (zh) | 一种识别发动机燃料种类和牌号中红外光谱方法 | |
CN101976331A (zh) | 一种多组分重叠三维荧光光谱的成分识别方法 | |
CN103115889B (zh) | 由透射红外光谱预测原油硫含量的方法 | |
CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
CN101339150A (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
CN102221534B (zh) | 一种快速识别发动机燃料种类的中红外光谱方法 | |
CN109991206B (zh) | 一种基于偏最小二乘法对醇类汽油总醇含量测定的方法 | |
CN104215729A (zh) | 串联质谱数据母离子检测模型训练方法及母离子检测方法 | |
CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
CN103868858A (zh) | 一种确定盐渍土主导盐分光谱响应最佳波段的方法 | |
CN102323235B (zh) | 一种利用中红外光谱技术测定发动机燃料质量指标的方法 | |
CA2635930C (en) | Fourier transform infrared (ftir) chemometric method to determine cetane number of diesel fuels containing fatty acid alkyl ester additives | |
CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
CN102252994A (zh) | 一种快速测定发动机燃料质量指标的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120229 Termination date: 20140713 |
|
EXPY | Termination of patent right or utility model |